Year 2019, Volume , Issue 15, Pages 70 - 76 2019-03-31

Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi

Emrah Aydemir [1]

184 294


Teknolojinin gelişimi ile veritabanlarının boyutları doğru orantılı olarak ilerlemektedir. Bu kadar çok verinin tutulması sonucu çeşitli analizler ile bu veriler arasındaki gizli bağlantıların araştırılması kaçınılmaz olmuştur. Buradaki çalışmada öğrencilerin Yabancı Dil-II dersindeki geçme notları veri madenciliği yöntemleriyle tahmin edilmiştir. Araştırmada Türkiye’deki bir üniversitede Yabancı Dil-II dersini alan 3794 öğrenci verileri kullanılmıştır. Çalışmada 12’si girdi ve biri çıktı olmak üzere toplam 13 adet değişkenin yer aldığı Yapay Sinir Ağları, M5P, DecisionStump, M5Rules, DecisionTable, Bagging yöntemleri ile geliştirilen tahmin modelleri oluşturulmuş ve birbirleriyle karşılaştırılmıştır. Verilerin eğitim ve test olarak ayrıştırılmasında 10-katlı çapraz doğrulama yöntemi kullanılmıştır. Modellerde öğrencinin ders geçme notunu etkileyecek öğrenim tipi, fakülte, bölüm, program, program tipi, öğretim elemanı ve unvanı, öğrenci programa giriş türü, giriş puanı ve giriş sıralaması ile bir önceki dönemin not ortalaması dikkate alınmıştır. Modeller arasında Bagging yöntemi ile kurulan modelin en iyi sonuç olan 1.22 ortalama mutlak hata ve 0.80 korelasyon katsayısı ile tahminler ürettiği görülmüştür. Çalışma sonucunda öğrencilerin ders geçme notunu önceden öğrenip önlemler alacağı düşünülmektedir.


Veri Madenciliği, Akademik Başarı, Tahmin
  • Akçapınar, G., Altun, A. & Aşkar, P. (2015). Modeling Students’ Academic Performance Based on Their Interactions in an Online Learning Environment, İlköğretim Online, 14(3), 815-824.
  • Akpınar, H. (2000). Veri tabanlarında bilgi keşfi ve veri madenciliği, İ.Ü. İşletme Fakültesi Dergisi, 29 (1), 1-22.
  • ALAN, M. A. (2012). Veri Madenciliği ve Lisansüstü Öğrenci Verileri Üzerine Bir Uygulama. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 33(1), 165-174.
  • Altınışık, U. (2006). Öğrenci bilgi sisteminde veri madenciliğinin uygulanması, Kocaeli Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
  • Aydemir, B. (2017). Veri Madenciliği Yöntemleri Kullanarak Meslek Yüksekokulu Öğrencilerinin Akademik Başarı Tahmini, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü.
  • Aydemir, E. (2018). Weka ile Yapay Zekâ, Seçkin Yayınevi, Ankara.
  • Aydoğan, İ. & Zırhlıoğlu, G. (2018). Öğrenci Başarılarının Yapay Sinir Ağları ile Kestirilmesi, Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 15(1), 577-610.
  • Baykal, A. (2006). Veri Madenciliği Uygulama Alanları, DÜ Ziya Gökalp Eğitim Fakültesi Dergisi, 7 (1), 95-107.
  • Demir, M. (2015). Predicting Pre-Service Classroom Teachers' Civil Servant Recruitment Examination's Educational Sciences Test Scores Using Artificial Neural Networks. Educational Sciences: Theory and Practice, 15(5), 1169-1177.
  • Doğan, A. (2002). Yapay Zekâ. İstanbul: Kariyer Yayıncılık.
  • Erdoğan, Ş. Z. (2004). Veri Madenciliği ve Veri Madenciliğinde Kullanılan K-Means Algortimasının Öğrenci Veri Tabanında Uygulanması, İstanbul Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
  • Esen, H., İnalli, M., Şengür, A. & Esen, M. (2008). Forecasting of a ground-coupled heat pump performance using neural networks with statistical data weighting pre-processing. International Journal of Thermal Sciences, 47(4), 431-441.
  • Jaiwei, H. & Kamber, M. (2006). Data mining: concepts and techniques. ed: Morgan Kaufmann San Francisco.
  • İnan, O. (2003). Öğrenci İşleri Veri Tabanı Üzerinde Veri Madenciliği Uygulamaları, Konya Selçuk Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
  • Karip, E. (2012). Ölçme ve Değerlendirme. Ankara: Pegem Akademi Yayıncılık.
  • Kılınç, Ç. (2015). Üniversite Öğrenci Başarısı Üzerine Etki Eden Faktörlerin Veri Madenciliği Yöntemleri İle İncelenmesi, Yüksek Lisans Tezi, Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü.
  • Luan, J. (2002). Data Mining and Knowledge Management in Higher Education-Potential Applications. 42nd Associate of Institutional Research International Conference, Toronto, Canada.
  • Oğuzlar, A. (2004). Veri Madenciliğinde Birliktelik Kuralları, Öneri, 6 (22), 315-321.
  • Sembiring, S., Zarlis, M., Hartama, D., Ramliana, S. & Wani, E. (2011). Prediction of student academic performance by an application of data mining techniques. In International Conference on Management and Artificial Intelligence IPEDR, 6 (1), 110-114.
  • Shovon, M. H. I. & Haque, M. (2012). Prediction of student academic performance by an application of k-means clustering algorithm. International Journal of Advanced Research in Computer Science and Software Engineering, 2(7), 353-355.
  • Siemens, G. & D Baker, R.S.J. (2012). Learning Analytics and Educational Data Mining: Towards Communication and Collaboration. 2nd international conference on learning analytics and knowledge, Vancouver, Canada.
  • Şengür, D. & Tekin, A. (2013). Öğrencilerin mezuniyet notlarının veri madenciliği metotları ile tahmini. Bilişim Teknolojileri Dergisi, 6(3), 7-16.
  • Turgut, M.F. & Baykul, Y. (2013). Eğitimde Ölçme ve Değerlendirme. Ankara: Pegem Akademi.
  • Yurtoğlu, H. (2005). Yapay Sinir Ağları Modellemesi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, DPT, Ankara.
Primary Language tr
Subjects Engineering
Journal Section Makaleler
Authors

Orcid: 0000-0002-8380-7891
Author: Emrah Aydemir (Primary Author)
Institution: AHİ EVRAN ÜNİVERSİTESİ
Country: Turkey


Dates

Publication Date: March 31, 2019

Bibtex @research article { ejosat518899, journal = {Avrupa Bilim ve Teknoloji Dergisi}, issn = {}, eissn = {2148-2683}, address = {Osman SAĞDIÇ}, year = {2019}, volume = {}, pages = {70 - 76}, doi = {10.31590/ejosat.518899}, title = {Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi}, key = {cite}, author = {Aydemir, Emrah} }
APA Aydemir, E . (2019). Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, (15), 70-76. DOI: 10.31590/ejosat.518899
MLA Aydemir, E . "Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi". Avrupa Bilim ve Teknoloji Dergisi (2019): 70-76 <http://dergipark.org.tr/ejosat/issue/43603/518899>
Chicago Aydemir, E . "Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi". Avrupa Bilim ve Teknoloji Dergisi (2019): 70-76
RIS TY - JOUR T1 - Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi AU - Emrah Aydemir Y1 - 2019 PY - 2019 N1 - doi: 10.31590/ejosat.518899 DO - 10.31590/ejosat.518899 T2 - Avrupa Bilim ve Teknoloji Dergisi JF - Journal JO - JOR SP - 70 EP - 76 VL - IS - 15 SN - -2148-2683 M3 - doi: 10.31590/ejosat.518899 UR - https://doi.org/10.31590/ejosat.518899 Y2 - 2019 ER -
EndNote %0 European Journal of Science and Technology Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi %A Emrah Aydemir %T Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi %D 2019 %J Avrupa Bilim ve Teknoloji Dergisi %P -2148-2683 %V %N 15 %R doi: 10.31590/ejosat.518899 %U 10.31590/ejosat.518899
ISNAD Aydemir, Emrah . "Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi". Avrupa Bilim ve Teknoloji Dergisi / 15 (March 2019): 70-76. https://doi.org/10.31590/ejosat.518899
AMA Aydemir E . Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi. 2019; (15): 70-76.
Vancouver Aydemir E . Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi. 2019; (15): 76-70.